Wraz z rozwojem piątej i szóstej generacji sieci mobilnych (5G i 6G) efektywne zarządzanie zasobami radiowymi stało się kluczowe. Zaawansowane sieci te umożliwiają wykorzystanie takich technologii jak drony, wirtualna i rozszerzona rzeczywistość. Jednak aby w pełni wykorzystać ich potencjał, konieczne jest dokładne śledzenie i prognozowanie wskaźników ruchu.
Aby poradzić sobie z tym wyzwaniem, badacze z Uniwersytetu RUDN postanowili wykorzystać algorytmy sztucznej inteligencji (SI) i uczenia maszynowego (UM) do prognozowania ruchu. Wykorzystali model Holt-Winter oraz model SARIMA, analizując dane operatora portugalskiej sieci komórkowej w celu przewidywania godzinnego wolumenu ruchu.
Oba modele wykazały wysoką dokładność w przewidywaniu ruchu na następną godzinę. Model SARIMA okazał się lepszy w przewidywaniu ruchu od użytkowników do stacji bazowych, ze średnim wskaźnikiem błędu wynoszącym zaledwie 11,2%. Model Holt-Winter lepiej sprawdził się w prognozowaniu ruchu od stacji bazowych do użytkowników, osiągając wskaźnik błędu wynoszący zaledwie 4%. Badacze przypisali sukces tych modeli ich zdolności do odkrywania wzorców czasowych i zarządzania skomplikowanymi sezonowymi i trendowymi składowymi.
Badanie podkreśliło znaczenie dostrojenia hiperparametrów w celu dalszej poprawy efektywności modeli. Pomimo obiecujących wyników obu modeli, badacze zauważyli, że nie istnieje powszechnie stosowalna metoda, która działałaby we wszystkich sytuacjach. Dlatego planują połączyć modele statystyczne z technikami SI i UM, aby osiągnąć bardziej precyzyjne prognozy i wykrywanie anomalii.
Dzięki efektywnemu przewidywaniu i reagowaniu na dynamikę ruchu za pomocą algorytmów SI i UM, dostawcy sieci mogą zwiększyć wydajność sieci 5G i 6G. Poprzez ciągłe badania i udoskonalanie metod podejmowane są wysiłki mające na celu zwiększenie efektywności sieci i poprawę zadowolenia użytkowników w szybko zmieniającym się krajobrazie technologicznym.
FAQ:
Jakie modele zostały użyte w badaniu?
Badanie wykorzystało modele Holt-Winter i SARIMA do prognozowania ruchu w sieciach mobilnych.
Jakie wyniki osiągnięto dzięki tym modelom?
Model SARIMA osiągnął średni wskaźnik błędu wynoszący 11,2% w przewidywaniu ruchu od użytkowników do stacji bazowych, natomiast model Holt-Winter osiągnął wskaźnik błędu wynoszący 4% w przewidywaniu ruchu od stacji bazowych do użytkowników.
Dlaczego dostrajanie hiperparametrów jest ważne?
Badacze zauważyli, że poprawa efektywności modeli może być osiągnięta poprzez dostrojenie hiperparametrów dla konkretnych przypadków. Nie istnieje jedna powszechnie stosowalna metoda dla wszystkich sytuacji.
Źródło:
rudn.ru
The source of the article is from the blog girabetim.com.br